基于学习者特征分析的个性化学习支持系统的研究

发布时间：2017-05-04 16:18

  本文关键词：基于学习者特征分析的个性化学习支持系统的研究，由笔耕文化传播整理发布。

【摘要】： 个性化学习支持系统是以网络技术和人工智能技术为基础的,它突破了传统教育中地域和时间的限制。本文研究网络环境中的学习者特征分析与个性化学习推荐,通过对学习者的特征分析,为学习者提供符合其个性特征的学习指导,引导学习者高效地进行知识建构。 论文以建构主义学习理论为基础,以学习者特征分析为中心,对学习者模型、学习者行为模型、个性化学习推荐模型以及个性化学习材料的生成等进行了研究,主要工作在于: 分析网络学习特征,构建学习者模型;研究学习者特征分析技术,获取学习者的综合特征信息;通过追踪学习者的行为过程,隐式方式下采集学习者特征信息;研究基于协同过滤的方法判断学习者所属特征类别来完成初步的个性化学习推荐;最后,进一步从宏观上引导学习者按知识点逻辑结构顺序进行学习,在单个知识点学习时,推荐学习材料供学习者自由选择,以提高学习效率。通过以上的研究工作基本解决了个性化学习支持系统中每部分的关键技术问题。
【关键词】：学习者模型 学习者特征 协同过滤 个性化学习推荐 ISM
【学位授予单位】：天津师范大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：G434
【目录】：

• 摘要4-5
• Abstract5-7
• 第一章 绪论7-12
• 1.1 研究背景及意义7-8
• 1.2 国内外研究进展及现状8-10
• 1.3 研究内容10-12
• 第二章 个性化学习者模型12-19
• 2.1 传统的学习者模型12-13
• 2.2 学习者模型规范13-14
• 2.3 个性化学习者模型的构建14-18
• 2.4 小结18-19
• 第三章 学习者特征分析19-36
• 3.1 学习者特征分析模型19-20
• 3.2 显性方式的学习者特征信息采集20-22
• 3.3 隐性方式的学习者特征信息采集22-23
• 3.4 学习者特征信息采集技术的研究23-30
• 3.4.1 WEB日志挖掘技术23-27
• 3.4.2 数据挖掘27-29
• 3.4.3 ID3算法29-30
• 3.5 学习者个性特征分析实例30-35
• 3.5.1 ID3算法实例32-34
• 3.5.2 属性加权 ID3算法实例34-35
• 3.5.3 两种算法结果比较分析35
• 3.6 小结35-36
• 第四章 学习者的行为追踪模型36-44
• 4.1 概述36-38
• 4.2 学习者行为追踪系统的初步实现38-43
• 4.2.1 系统分析与架构38-39
• 4.2.2 技术实现39-43
• 4.3 小结43-44
• 第五章 个性化学习推荐44-62
• 5.1 概述44-45
• 5.2 基于协同过滤技术的推荐45-53
• 5.2.1 协同过滤技术45-48
• 5.2.2 优化的协同过滤推荐算法48-53
• 5.3 基于 ISM的个性化学习材料推荐53-61
• 5.3.1 知识点学习序列的生成54-58
• 5.3.2 基于知识点结构的学习材料生成58-59
• 5.3.3 基于关联规则发现的学习材料生成59-61
• 5.4 小结61-62
• 第六章 总结与展望62-64
• 6.1 全文总结62-63
• 6.2 未来工作展望63-64
• 参考文献64-66
• 致谢66-67
• 发表论文67

【引证文献】

中国硕士学位论文全文数据库 前4条

1 陈攀峰;E-learning中学习者个性特征模型研究[D];华中师范大学;2011年

2 王怡涵;能力导向终身学习个性化推荐系统学习者模型构建[D];东北师范大学;2011年

3 董安美;网络学习系统中个性化学习指导系统构建研究[D];东北师范大学;2011年

4 贾冰;自适应学习系统中学习者模型的表示及特征值获取方法研究[D];东北师范大学;2010年

  本文关键词：基于学习者特征分析的个性化学习支持系统的研究，，由笔耕文化传播整理发布。

本文编号：345418